In-Vehicle Passing Collision Warning System for Two-Lane Highways Considering Driver Characteristics
Notice bibliographique
Résumé
Passing collisions are one of the most dangerous traffic safety problems. These head-on collisions occur when the driver of the passing vehicle is distracted or does not assess the situation appropriately. The purpose of this study is to develop a passing collision warning system (PCWS) for drivers on two-lane highways to prevent passing collisions and improve road safety. This paper presents a framework and algorithm design for a PCWS that ensures that drivers have an adequate sight distance for a safe passing maneuver. The system uses an available radar sensor to detect the closest opposing vehicle traveling in the left lane and calculates its position, speed, and acceleration rate to estimate the time to collision and compare it with the time required for the passing vehicle to clear the lane. Realistic initial time and passing time models were established using actual experimental field data collected using a global positioning system (GPS) data logger device that was installed in the passing, impeding, and opposing vehicles and used to record the position and speed of different passing vehicles at 1-s intervals. The MATLAB simulation was developed and used to replicate real-life passing maneuvers and was also used to create the algorithm for the proposed warning system. The passing maneuver parameters were selected from probability distribution curves based on field data. The simulation model determines the relative distance and speed of the opposing vehicle at four different time intervals. The different factors that impact system accuracy were also examined.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».